Rev. Fac. Ing. Univ. Antioquia N.° 44. pp. 111-118.

Junio, 2008

Pronóstico del precio de la energía eléctrica

usando redes neuronales artificiales

Electricity price forecasting using artificial

neural networks

Fernando Villada*, Diego Raúl Cadavid, Juan David Molina

Grupo de Manejo Eficiente de la Energía – GIMEL, Universidad de Antioquia,
A.A. 1226, Medellín, Colombia

(Recibido el 3 de octubre de 2007. Aceptado el 29 de enero de 2008)

Resumen
Este trabajo propone un modelo para el pronóstico del precio de la energía
eléctrica en Colombia mediante el uso de redes neuronales artificiales. Se
utilizan dos estructuras de redes incluyendo como entradas la serie de precios
diarios en la primera y la serie de precios más el nivel medio de los embalses
en la segunda. Los resultados se comparan con un modelo Autorregresivo
Condicional Heterocedástico Generalizado (GARCH) encontrándose venta-
jas en este último dentro del período de muestreo, pero un mejor desempeño
de las redes neuronales en el período fuera de la muestra. Los datos históricos
se obtuvieron de la Compañía XM perteneciente al grupo ISA, de los cuales
se usan 120 días para entrenamiento y los 31 días del mes siguiente para ve-
rificación del pronóstico.
---------- Palabras clave: Pronóstico, precios de la electricidad, redes
neuronales, modelos de series de tiempo.

Abstract
A model for forecasting the electricity price in Colombia using artificial neu-
ral networks is proposed in this work. Two neural networks structures inclu-
ding the price series in the first and the price series plus the water reserve
levels in the latter are used. The results are compared with a Generalized
Autorregresive Conditional Heteroskedastic Model (GARCH) model, which
shows better adjustment inside the training period, but the neural networks
have better performance forecasting outside the training sample. Historical
data was supplied by the Company XM belonging to ISA Group, where 120
days were used as training patterns and the next 31 days were left to test the
next month forecast.
---------- Keywords: Forecasting, electricity price, artificial neural
networks, time series models.

* Autor de correspondencia: Teléfono: + 57 + 4 + 219 55 58, fax: + 57 + 4 + 211 05 07, correo electrónico: fvillada@udea.edu.co (F. Villada).

111
Rev. Fac. Ing. Univ. Antioquia N.° 44. Junio, 2008
Introducción
La industria eléctrica en muchas partes del mun-
do ha venido presentando grandes cambios ten-
dientes a incentivar una mayor participación de
agentes privados, con el objetivo de aumentar la
eficiencia de la industria dentro de un esquema
de libre mercado. Se pretende que el funciona-
miento de los mercados energéticos, en lo posi-
ble, esté regulado por la dinámica de las fuerzas
del mercado, esto es, que el precio de los bienes
energéticos sea el resultado de la interacción de la
oferta y la demanda.
Un elemento importante para los administradores
de los mercados de la electricidad es el pronóstico
de los precios en el corto, mediano y largo plazo.
Decisiones sobre aumentos en la transmisión, ex-
pansión de la generación, planeación de la distri-
bución e intercambios de electricidad entre regio-
nes o países están determinadas por el pronóstico
del precio de la electricidad en el largo plazo. Sin
embargo, los niveles de transacciones entre los
participantes del mercado dependen altamente
del pronóstico del precio en el corto plazo.
Varios autores han propuesto diferentes modelos
de pronóstico del precio de la electricidad en el
corto plazo (el día siguiente). Nogales [1] y Con-
treras [2] utilizan modelos de series de tiempo y
modelos Autorregresivos e Integrados de Prome-
dios Móviles (ARIMA), respectivamente para
pronosticar el precio de la electricidad del día si-
guiente. Su aplicación a los mercados de Califor-
nia y de España mostró errores medios inferiores
al 10%. Conejo [3] usa la transformada de Wave-
let para descomponer la serie de datos aplicando
luego modelos ARIMA a la serie transformada.
Este preprocesamiento de la serie permite mejo-
rar la precisión en los pronósticos con errores que
oscilan entre el 5% y el 7%.
Un aspecto fundamental de los precios de la elec-
tricidad no contemplado en los trabajos anteriores
es la existencia de una alta volatilidad, al menos
durante ciertos períodos de tiempo. García [4] pre-
senta un modelo GARCH (autorregresivo condi-
cional heterocedástico generalizado) para pronos-
ticar el precio de la electricidad un día después, el
112
cual tiene en cuenta los cambios en la volatilidad
debida a picos en los precios. Los resultados del
modelo GARCH son similares a los modelos ARI-
MA en periodos de baja volatilidad pero mejoraron
considerablemente para los días que presentaron
picos grandes en el precio. Ante el comportamien-
to no lineal de este tipo de variables económicas,
recientemente se han propuesto nuevos métodos
basados en redes neuronales artificiales [5]. Su
principal característica de permitir establecer re-
laciones lineales y no lineales entre las entradas
y salidas de un sistema ha hecho posible mostrar
su aplicabilidad en mercados de alta volatilidad,
cuyas variables obedecen a comportamientos no
lineales en diversas áreas de la ingeniería, el mer-
cado de valores y el mercado de divisas [6].
Szkuta [7] entrenó una red neuronal multicapa
para pronosticar el próximo precio de la electri-
cidad en el mercado Australiano utilizando como
entradas los datos de tres días anteriores en rela-
ción al precio, las reservas del sistema y la de-
manda potencial. Los resultados mostraron gran
superioridad de las redes neuronales en compa-
ración con las técnicas de regresión lineal con-
vencionales utilizadas por la empresa. Radwan
[8] propone una nueva estructura de red neuronal
utilizando adicionalmente la información del cli-
ma con el fin de pronosticar la demanda en un
plazo muy corto (desde una hora hasta un día),
obteniendo errores medios del orden del 3%.
Los métodos para pronosticar el precio de ejer-
cicio del mercado de la electricidad (market
clearing price) son analizados por Amjady [9].
En este trabajo se compara la capacidad de pro-
nóstico de los modelos ARIMA, GARCH y redes
neuronales, llegando a proponer nuevos modelos
de redes neuronales como estructuras en cascada
o EKF (Extender Kalman filter) con el fin de me-
jorar el desempeño de la tradicional red de pro-
pagación.
En aplicaciones que buscan cubrir un margen de
tiempo superior (1 a 3 meses), se tienen aplica-
ciones de las redes neuronales para el pronóstico
de tasas de cambio y otras variables macroeconó-
micas. Nicokota [10] utilizó las redes neuronales
para pronosticar la tasa de cambio entre el dólar
 Pronóstico del precio de la energía eléctrica usando redes neuronales artificiales
canadiense y el dólar americano en el rango de
90 días. Para ello utilizó el historial de diez años
como datos de entrenamiento, teniendo en cuenta
el efecto de dos variables macroeconómicas (tasa
de interés y precio del petróleo) y los flujos de
órdenes de transacciones. Los resultados mostra-
ron menor error en el pronóstico con redes neu-
ronales en comparación con el modelo del paseo
aleatorio y otros modelos lineales.
En este trabajo se pretende estudiar el comporta-
miento del precio de la energía eléctrica en un ran-
go de tiempo superior a los trabajos referenciados.
Se propone un modelo basado en redes neuronales
artificiales y se evalúa su desempeño en el pronós-
tico de un mes completo para el mercado eléctrico
colombiano. Se utilizan dos estructuras de redes
incluyendo como entradas la serie de precios dia-
rios en la primera y la serie de precios más el nivel
medio de los embalses en la segunda. Los resulta-
dos obtenidos se comparan con el pronóstico ba-
sado en un modelo GARCH encontrándose venta-
jas en este último dentro del período de muestreo,
pero un mejor desempeño de las redes neuronales
en el período fuera de la muestra.
Redes neuronales artificiales
Una red neuronal es un sistema que permite es-
tablecer una relación lineal o no lineal entre las
salidas y las entradas. Sus características es-
tán inspiradas en el sistema nervioso lo que les
da varias ventajas, tales como su capacidad de
aprendizaje adaptativo, son auto-organizativas,
pueden funcionar en paralelo en tiempo real y
ofrecen tolerancia a fallos por la codificación re-
dundante de la información. Desde el punto de
vista de solución de problemas, las redes neuro-
nales son diferentes de los computadores con-
vencionales que usan algoritmos secuenciales,
mientras que las redes neuronales actúan como
el cerebro humano, procesando la información
en paralelo, y también pueden aprender y gene-
ralizar a situaciones no incluidas en el proceso
de entrenamiento. Las redes neuronales pueden
procesar información de forma más rápida que
los computadores convencionales, pero tienen la
desventaja de que no podemos seguir su respues-
ta paso a paso como se puede hacer al ejecutar un
programa convencional en un ordenador, por lo
que no resulta fácil detectar los errores. Las redes
neuronales artificiales son muy efectivas para re-
solver problemas complicados de clasificación y
reconocimiento de patrones. La más utilizada es
la llamada de propagación hacia delante. La figu-
ra 1 muestra una red de propagación hacia delan-
te con dos capas ocultas. El número de entradas
es directamente dependiente de la información
disponible para clasificar mientras que el número
de neuronas de salida es igual al número de clases
a separar. Las unidades de una capa se conectan
unidireccionalmente con las de la siguiente, en
general todas con todas, sometiendo sus salidas
a la multiplicación por un peso que es diferente
para cada una de las conexiones.
X1
ϕ (.)
X2 ϕ (.)
ϕ (.) O1
ϕ (.)
X3 ϕ (.)
ϕ (.) O2
ϕ (.)
X4 ϕ (.)
ϕ (.)
X5
Nudos de entrada 1ª capa oculta 2ª capa oculta Capa de salida
Figura 1 Red neuronal de propagación hacia
adelante
Las Redes Neuronales Artificiales se han emplea-
do para resolver numerosos problemas. Entre es-
tos, los económicos y financieros, destacando en
gran medida su aplicación en la predicción de se-
ries temporales y su capacidad para detectar y ex-
plotar la no-linealidad existente en los datos, aun
en condiciones donde existen datos incompletos
o la presencia de ruido; también se destacan por
su desempeño en la solución de problemas com-
plejos, donde el reconocimiento de modelos o
comportamientos es importante.
113
Rev. Fac. Ing. Univ. Antioquia N.° 44. Junio, 2008
Aplicación de las redes
neuronales al pronóstico de
precios de la energía eléctrica
Uno de los aspectos fundamentales cuando se va
a enfrentar un proyecto con redes neuronales es
disponer de una base de datos histórica de la va-
riable, lo suficientemente grande, para garantizar
que el proceso de entrenamiento sea mucho más
confiable. Como se anotó anteriormente los his-
tóricos correspondientes al precio diario del kilo-
vatio-hora en pesos colombianos y el nivel diario
de los embalses se obtuvieron de XM, Compañía
de Expertos en Mercados S.A., perteneciente al
grupo ISA. La red que se utilizó fue el perceptrón
multicapa con conexiones hacia adelante, por-
que dentro del marco de las redes de neuronas,
el perceptrón ha mostrado ser una de las arqui-
tecturas más útiles en la resolución de este tipo
de problemas. Esto se debe, fundamentalmente,
a su capacidad como aproximador universal. La
arquitectura de esta red, se caracteriza porque tie-
ne sus neuronas agrupadas en capas de diferentes
niveles. Cada una de las capas está formada por
un conjunto de neuronas y se distinguen tres tipos
de capas diferentes: la capa de entrada, la capa de
salida y las capas ocultas.
Algoritmo de Aprendizaje
La regla o algoritmo de aprendizaje es el me-
canismo mediante el cual se van adaptando y
modificando todos los parámetros de la red. En
el caso del perceptrón multicapa se trata de un
algoritmo de aprendizaje supervisado; es decir,
la modificación de los parámetros se realiza
para que la salida de la red sea lo más próxima
posible a la salida proporcionada por el super-
visor o salida deseada. Por tanto, el proceso de
aprendizaje de la red es equivalente a encontrar
un mínimo de la función error. El algoritmo de
aprendizaje utilizado fue del tipo Levenberg
Marquardt porque en general ha mostrado tener
una convergencia más rápida, es decir, requiere
menor cantidad de iteraciones para llegar al ni-
vel de error especificado.
114
Proceso de Aprendizaje
El objetivo del aprendizaje o entrenamiento de la
red, es ajustar los parámetros de la red, pesos y
umbrales, con el fin de que las entradas presenta-
das produzcan las salidas deseadas, es decir con
el fin de minimizar la función de error.
En lo que respecta al número de capas y neuronas
por capa, no existe un método o regla que deter-
mine el número óptimo de neuronas ocultas para
resolver un problema dado, generalmente se de-
terminan por prueba y error, es decir partiendo de
una arquitectura ya entrenada, se realizan cam-
bios aumentando y disminuyendo el número de
neuronas ocultas y el número de capas hasta con-
seguir la arquitectura que se ajuste a la solución
del problema. La selección de la mejor estructura
en este trabajo se determinó por medio de las me-
didas tradicionales de evaluación del pronóstico
dentro y fuera de la muestra, que se describen en
la siguiente sección.
Modelo de pronóstico con redes
neuronales
En este trabajo se probaron diferentes estruc-
turas de redes neuronales con una capa oculta,
partiendo de un número de neuronas igual al pro-
medio entre el número de entradas y el número de
salidas. Luego se incrementó gradualmente el nú-
mero de neuronas en dicha capa hasta obtener la
estructura más recomendable para el pronóstico
del precio de la energía eléctrica. La selección de
la mejor estructura de red, se realiza consideran-
do las siguientes medidas de evaluación dentro y
fuera de la muestra: RMSE (Raíz del error medio
cuadrático), RMSPE (Raíz del error medio cua-
drático porcentual), MAE (Error medio absoluto)
y el MAPE (Error medio absoluto porcentual)
[11]. En la tabla 1 se presentan los resultados de
las medidas de evaluación dentro y fuera de la
muestra de las diferentes estructuras de red en-
trenadas para el modelo que considera una sola
variable de entrada, donde r corresponde al nú-
mero de rezagos considerados y n el número de
neuronas en la capa oculta. De un conjunto total
de 150 datos diarios se tomaron 119 para entrena-
 Pronóstico del precio de la energía eléctrica usando redes neuronales artificiales

miento (aproximadamente 80%) y se dejaron 31
datos correspondientes a un mes completo para
pronóstico fuera de la muestra.
El análisis de los resultados de la tabla 1 nos
muestra que los errores dentro de la muestra son
menores para la red neuronal con cuatro rezagos
de tiempo; sin embargo, fuera de la muestra los
resultados son mejores con la red de tres rezagos.
Como nuestro objetivo es ante todo pronosticar
por fuera de la muestra, se concluye que la red con
mejor desempeño global contiene tres rezagos de
tiempo y cuatro neuronas en su capa oculta. En
la figura 2 se comparan los resultados de la red
seleccionada con los datos reales en el período
dentro de la muestra. La figura 3 muestra la capa-
cidad de pronóstico al utilizar los resultados de la
red para proyectar el precio de la energía eléctrica
por un mes (31 datos diarios) después del período
de entrenamiento. En ambas gráficas se observa
una correspondencia aceptable del modelo de red
neuronal con los datos reales.

Tabla 1 Desempeño de las redes neuronales entrenadas

Dentro de muestra Fuera de muestra

r n RMSE RMSEPE MAE MAPE RMSE RMSEPE MAE MAPE

2 2 5,5182 0,0798 3,9578 0,0545 5,6091 0,0815 3,8722 0,0525

2 3 5,3542 0,0759 3,9745 0,0545 5,4729 0,0792 3,8057 0,0515
2 4 5,0505 0,0700 3,8712 0,0531 5,1864 0,0725 3,6670 0,0486
2 5 5,0622 0,0715 3,6887 0,0503 5,0909 0,0705 3,6616 0,0480
3 2 5,5102 0,0799 3,9579 0,0547 5,5878 0,0815 3,8284 0,0520
3 3 5,2033 0,0710 3,7513 0,0506 5,5491 0,0807 3,7228 0,0506
3 4 5,0676 0,0737 3,8113 0,0536 4,9728 0,0699 3,6742 0,0486
3 5 5,4713 0,0842 3,8871 0,0548 5,3585 0,0770 3,6384 0,0492
4 3 5,5622 0,0816 4,0272 0,0562 5,4706 0,0796 3,6853 0,0500
4 4 4,5374 0,0675 3,4351 0,0484 5,0528 0,0728 3,5877 0,0481
4 5 4,7309 0,0698 3,3683 0,0477 5,3181 0,0764 3,8077 0,0510

Adicionalmente se estudió un segundo modelo
que incluye dos variables de entrada: el precio
diario de la energía eléctrica en pesos colombia-
nos por kilovatio-hora y el nivel medio de los
embalses. La tabla 2 presenta los resultados de
las medidas de evaluación para el mismo período
de tiempo analizado en la red anterior, donde se
aprecia una mejoría en los resultados anteriores
y un mejor desempeño de la red con cuatro reza-
gos de tiempo y cinco neuronas en la capa oculta
tanto dentro como fuera del período muestral. En
la figura 4 se comparan los resultados de la red
seleccionada con los datos reales en el período
dentro de la muestra y la figura 5 muestra la capa-
cidad de pronóstico al utilizar los resultados de la
red para proyectar el precio de la energía eléctrica
por un mes (31 días) después del período de en-
trenamiento. En ambas gráficas se observa muy
buena correspondencia del modelo de red neuro-
nal con los datos reales.

115
 Rev. Fac. Ing. Univ. Antioquia N.° 44. Junio, 2008

110 110
Precio real Precio real
Red neuronal
Red neuronal
100 100

90 90

80 80
Col-$/kW-hora

Col-$/kW-hora
70 70

60 60

50 50

40 40

30 30
0 20 40 60 80 100 120 0 20 40 60 80 100 120
días
días

Figura 2 Respuesta de la red neuronal con Figura 4 Respuesta de la red neuronal con
una variable de entrada y tres retardos de dos variables de entrada y cuatro retardos
tiempo para datos dentro de la muestra de tiempo para datos dentro de la muestra

110 Precio real 110 Precio real

Red neuronal Red neuronal
100 Pronóstico Pronóstico
100

90
90

80
80
Col-$/kW-hora

Col-$/kW-hora

70
70

60
60

50
50

40
40

30
0 50 100 150 30
días 0 50 100 150
días

Figura 3 Pronóstico dentro y fuera de la Figura 5 Pronóstico dentro y fuera de la

muestra de la red neuronal con tres retardos muestra de la red neuronal con cuatro
y una variable de entrada retardos y dos variables de entrada

Tabla 2 Desempeño de las redes neuronales con dos variables de entrada

Dentro de muestra Fuera de muestra

R N RMSE RMSEPE MAE MAPE RMSE RMSEPE MAE MAPE

2 3 4.7309 0,0708 3,5727 0,0503 5,1538 0,0714 3,6604 0,0484

2 4 4,6038 0,070 3,4535 0,0493 5,1917 0,0715 3,6921 0,0488
2 5 4,1575 0,0556 3,0302 0,0404 5,3489 0,0788 3,5955 0,0489
2 6 4,0849 0,0551 2,9373 0,0369 5,2051 0,0745 3,6073 0,0484

116
 Pronóstico del precio de la energía eléctrica usando redes neuronales artificiales

Dentro de muestra Fuera de muestra

R N RMSE RMSEPE MAE MAPE RMSE RMSEPE MAE MAPE

3 4 3,8630 0,0516 2,8219 0,0370 4,9586 0,0690 3,5217 0,0466

3 5 3,3875 0,0422 2,4891 0,0317 4,9349 0,0709 3,4617 0,0462
3 6 3,1680 0,0405 2,3217 0,0299 5,1498 0,0726 3,7176 0,0493
4 4 3,4408 0,0431 2,4889 0,0314 5,1663 0,0689 3,8308 0,0498
4 5 3,3619 0,0408 2,3081 0,0288 4,7468 0,0657 3,4227 0,0453
4 6 3,0673 0,0423 2,3236 0,0311 5,5264 0,0758 3,7612 0,0497

Análisis de resultados les. Las primeras dos redes neuronales incluían

Los resultados obtenidos con redes neuronales
se comparan con los generados por un modelo
autorregresivo condicional heterocedástico ge-
neralizado de orden 1 - GARCH(1,1) - debido
a la volatilidad de la serie de precios diarios de
la energía eléctrica, la cual de forma similar a
la mayoría de las series de tiempo financieras,
presenta la particularidad de que grandes cam-
bios en el precio alternan con períodos en los
cuales los precios difícilmente cambian. En la
tabla 3 se comparan los resultados del modelo
GARCH con tres estructuras de redes neurona-
solamente como entrada la serie de precios dia-
rios de la energía, mientras que la tercera red
incluye adicionalmente la serie de nivel medio
de los embalses. Al analizar los modelos que
incluyen solamente la serie de precios, se ob-
serva un mejor desempeño del modelo GARCH
dentro de la muestra al compararlo con las dos
primeras redes neuronales; sin embargo, las dos
redes ofrecen un mejor desempeño fuera de la
muestra. En forma general, la red neuronal 3
que manejaba adicionalmente la información de
los embalses mostró un desempeño superior tan-
to dentro como fuera de la muestra.

Tabla 3 Comparación de resultados entre un modelo GARCH y las redes neuronales

artificiales

Dentro de muestra Fuera de muestra

RMSE RMSEPE MAE MAPE RMSE RMSEPE MAE MAPE

GARCH 4,3768 0,0653 3,0050 0,0490 5,8826 0,0854 4,1261 0,0551

RNA 1 4,7309 0,0698 3,3683 0,0477 5,3181 0,0764 3,8077 0,0510
RNA 2 5,0676 0,0737 3,8113 0,0536 4,9728 0,0699 3,6742 0,0486
RNA 3 3,3619 0,0408 2,3081 0,0288 4,7468 0,0657 3,4227 0,0453

Conclusiones artificiales. Se utilizan dos estructuras de redes

incluyendo como entradas la serie de precios dia-
En este trabajo se propone un modelo para el rios en la primera y la serie de precios más el nivel
pronóstico del precio de la energía eléctrica en medio de los embalses en la segunda. Se destaca
Colombia mediante el uso de redes neuronales que los modelos basados en redes neuronales son

117
Rev. Fac. Ing. Univ. Antioquia N.° 44. Junio, 2008
en general más fáciles de implementar; muestran
además un buen desempeño, presentando bajos
errores y poca variación de los errores, aún en los
casos donde se cambió el número de rezagos, el
número de neuronas en la capa oculta y se adi-
cionó una nueva variable de entrada. A pesar de
que el modelo GARCH para el caso univariable
mostró mejor ajuste dentro de la muestra, requie-
re de un experto que determine el procedimien-
to a seguir dependiendo del tipo de datos. Estos
datos deben ser estacionarios, se deben analizar
los gráficos de correlación, adecuar los modelos
y medir los errores. El modelo basado en redes
neuronales artificiales es más sencillo de imple-
mentar y en todos los casos mostró mejor desem-
peño en el pronóstico fuera de la muestra. La red
neuronal ampliada con dos variables de entrada
superó también al modelo GARCH en el ajuste
dentro de la muestra.
Referencias
1. F. J. Nogales, J. Contreras, A. Conejo, R. Espínola.
“Forecasting next-day electricity prices by time series
models”. IEEE Transactions on Power System. Vol.
17. 2002. pp. 342 – 348.
2. J. Contreras, R. Espínola, F. J. Nogales, A. Conejo.
“ARIMA models to predict next-day electricity
prices”. IEEE Transactions on Power Systems. Vol.
18. 2003. pp. 1014 – 1020.
3. A. Conejo, M. A. Plazas, R. Espínola, A. B. Molina.
“Day-ahead electricity price forecasting using the
118
Wavelet transform and ARIMA models”. IEEE
Transactions on Power Systems. Vol. 20. 2005. pp.
1035 – 1042.
4. R. C. García, J. Contreras, M. V. Akkeren, J. B. C.
García. “A GARCH forecasting model to predict day-
ahead electricity prices”. IEEE Transactions on Power
Systems. Vol. 20. 2005.pp. 867 – 874.
5. S. Haykin. “Neural networks a comprehensive
foundation”. New York. Macmillan College Publishing
Company.1994. 1ª ed. pp. 18 – 41.
6. F. Villada, W. Muñoz, A. Henao. “Pronóstico de
las tasas de cambio. Una aplicación al Yen Japonés
mediante redes neuronales artificiales”. Revista
Scientia et Technica. Vol 12. 2006. pp. 233 – 238.
7. B. R. Szkuta, L. A. Sanabria, T. S. Dillon. “Electricity
price short-term forecasting using artificial neural
networks”. IEEE Transactions on Power Systems.
Vol. 14. 1999. pp. 851 – 857.
8. E. Radwan. “Short term hourly load forecasting using
abductive networks”. IEEE Transactions on Power
Systems. Vol. 19. 2004. pp. 164 – 173.
9. N. Amjady, M. Hemmati. “Energy price forecasting
- problems and proposals for such predictions”. IEEE
Power and Energy Magazine. Vol. 4. 2006. pp. 20
– 29.
10. N. Gradojevic, J. Yang. The application of artificial
neural networks to exchange rate forecasting: the role
of market microstructure variables, Bank of Canada,
Working paper 2000-23. 2000. pp. 10 – 27.
11. P. H. Franses, D. V. Dijk. Non-linear time series
models in empirical finance. Cambridge University
Press. 2000. pp. 222 - 233.